GCNs-Net：用于解码时间分辨 EEG 运动想象信号的图卷积神经网络方法

基于摘要分析。该研究面向 EEG 运动想象（MI）解码，提出 GCNs-Net，将电极间的功能拓扑关系纳入图卷积，以补充仅依赖电极欧氏空间结构的信号建模方式。 核心机制是根据整体信号的绝对 Pearson 相关矩阵构建 EEG 电极图拉普拉斯，再通过图卷积层学习特征、池化层降低维度，最后使用全连接 softmax 层完成分类。其可核对的方法价值在于利用信号相关性定义电极间关系，使特征提取能够考虑跨电极交互；相关性图本身不等同于已验证的生理连接或因果关系。摘要未说明图的估计时间范围、是否随被试或样本变化，以及训练与测试阶段如何构建图，这些细节会影响方法解释与复现。 作者报告，在 PhysioNet dataset 上，被试级与群体级预测的平均 Accuracy 分别为 93.06% 和 88.57%；在 high gamma dataset 上，对应结果分别为 96.24% 和 80.89%。作者称这些结果高于其比较的已有研究，并报告个性化与群体预测均可收敛、重复交叉验证中的表现稳定。摘要中的“被试级”和“群体级”尚不足以确定其是否分别对应标准的被试内或跨被试协议，因此不能直接与其他划分下的结果比较，也不能据此确认对未见被试的泛化能力。 复现时应核对预处理、MI 类别、被试与会话划分、相关矩阵估计所用数据、图归一化方式，以及对照方法是否采用一致协议。网络具体配置、实验协议、消融及统计信息尚未验证。摘要提供了 EEG-DL 开源实现线索，但代码可用性及其与论文实验的一致性尚未验证。